摘要：针对神经网络模型预测长时地下水位准确度低、运算资源消耗大的问题，提出了一种基于时序卷积特征过滤网络的地下水位预测方法，该方法能保持水文时序数据信息的完整性，拥有比卷积神经网络更大的感受野，能够精准捕捉地下水位的复杂时空关系。首先对水文数据进行预处理，然后采用空洞因果卷积方法作为特征提取器，结合注意力过滤模块提取水文数据特征，最后引入残差连接缓解模型训练过程中存在的网络层数过深、梯度消失和梯度爆炸问题。分别采用本文方法（DAR）、长短期神经网络（LSTM）、门控循环单元（GRU）、卷积门控循环单元（CNN-GRU）、时序卷积网络（TCN）预测意大利Petrignano水文数据变化，本文方法训练耗时最短，预测地下水位变化最为准确，验证了本文方法的可靠性。
文章目录
0 引言
1 时序卷积特征过滤网络模型
2 地下水位预测案例分析
2.1 多特征值多步预测方法
2.2 数据预处理
2.3 数据描述
2.4 模型训练与测试
2.5 预测结果
3 结论
